最早提出“基于时空的图神经网络”论文：Learning Convolutional Neural Networks for Graphs 阅读笔记

最新推荐文章于 2024-09-18 15:45:52 发布
最新推荐文章于 2024-09-18 15:45:52 发布
阅读量1.3k 收藏 2
点赞数
文章标签： 图卷积
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ssq183/article/details/100126638
版权

卷积过程：
在这里插入图片描述
将卷积过程迁移到图卷积中需要考虑两个问题：
(i) Determining the node sequences for which neighborhood graphs are created;决定围绕哪些结点创建邻接图（比如上图1中的结点1-4）
(ii) computing a normalization of neighborhood graphs, that is, a unique mapping from a graph representation into a vector space representation.得到图的表示之后，如何向量化

Anniessq
关注
AAAI2021论文速递：面向交通流预测的时空融合图神经网络
zuiyishihefang的博客
12-29 4216
1、文章信息《Spatial-Temporal Fusion Graph Neural Networks for Traffic Flow Forecasting》。这是北大发表在计算机...
图神经网络概述第三弹：来自IEEE Fellow的GNN综述
weixin_33845881的博客
01-07 3475
图神经网络（GNN）热度持续上升，之前我们曾介绍了清华两篇综述论文，参见：深度学习时代的图模型，清华发文综述图网络，和清华大学图神经网络综述：模型与应用。最近，IEEE Fellow、Senior Member 和 Member Zonghan Wu 等人又贡献了一篇图神经网络综述文章。这篇文章介绍了 GNN 的背景知识、发展历史、分类与框架、应用等，详细介绍了各种模型与方法，包括公式、模型图示、...
st-gcn时空图卷积神经网络
12-11
Spatial Temporal Graph Convolutional Networks for Skeleton-Based Action Recognition. 图卷积神经网络，2018年AAAI论文代码。
KDD 2024论文分享┆STAMP：一种基于时空图神经网络的微服务工作负载预测方法
最新发布
audyxiao001的博客
09-18 1406
STAMP，一种新型微服务工作负载预测框架，通过图神经网络和多视图对比学习，显著提升预测精度。在支付宝等真实数据集上验证了其有效性，为云服务资源管理提供了新思路。
时空图神经网络（ST-GNN）
zuiyishihefang的博客
06-01 8647
1. 文章信息文章题为《SPACE-TIME GRAPH NEURAL NETWORKS》，提出了一种新颖的图网络结构。2. 摘要文章介绍了时空图神经网络（ST-GNN），这是一种新的GNN结构，专门用于联合处理时变网络数据的基本时空拓扑。文章提出的体系结构由时间和图卷积滤波器组成，以及逐点非线性激活函数。文章首先介绍了卷积算子的一般定义，它模拟信号在其底层支持上的扩散过...
图神经网络论文翻译或笔记
I‘m Frank Lee
07-16 1160
DGL dgl-GNN-models-GCN - Semi-Supervised Classification with Graph Convolutional Network： 图卷积网络（Graph Convolutional Network） https://blog.csdn.net/chensi1995/article/details/77232019 dgl-GNN-models-GA...
Learning Convolutional Neural Networks for Graphs论文笔记
昼
11-04 255
Learning Convolutional Neural Networks for Graphs
论文笔记之Learning Convolutional Neural Networks for Graphs
BVL的博客
12-06 1万+
本篇论文是2016ICML上的一篇论文，对于如何将cnn应用在graph上提供了一种新的思路。架构： 总体上讲，就是用w个固定size=（k+1）的子图来表示输入的graph，再将这w个子图正则化后,生成一个w(k+1)维的向量，作为传统的cnn的输入，进行学习。其实就是做了一个从graph到向量的映射的一个预处理过程。算法流程 输入：任意一张图 输出：每个channel输出w个recep
论文笔记：Diffusion-Convolutional Neural Networks （传播-卷积神经网络）
a1424262219的博客
04-09 3720
Diffusion-Convolutional Neural Networks （传播-卷积神经网络）2018-04-0921:59:02 1. Abstract: 　　我们提出传播-卷积神经网络（DCNNs），一种处理 graph-structured data 的新模型。随着 DCNNs 的介绍，我们展示如何从 graph structured data 中学习基...
《Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering》阅读笔记
duyue3052的博客
09-03 7269
工程地址 课前甜点——使用Jupyter Notebook运行工程中的usage.ipynb Jupyter Notebook（此前被称为 IPython notebook）是一个交互式笔记本，支持运行 40 多种编程语言。 Jupyter Notebook 的本质是一个 Web 应用程序，便于创建和共享文学化程序文档，支持实时代码，数学方程，可视化和 markdown。 用途包括：数据清理...
[论文笔记] [2016] [NIPS] Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering
Alexzhuan
06-08 919
这篇论文是2016 NIPS上的一篇论文。从标题就可以看出这篇论文的特点所在：Fast Localized Spectral Filtering。这篇论文的主要贡献在于： 改进了Spectral Networks，设计了 localized filter on graph，并且计算复杂度较低； 提出了一种较为有效的 pooling 策略。 Learning Fast Localized Spectral Filters 作者总结了将卷积推广到图上的三步骤： the design of localize
时空图神经网络应用
qq_34425255的博客
03-09 159
的目标是从时空图中学习隐藏模式，这些模式在交通速度预测[72]、驾驶员机动预测和人类行为识别等各种应用中变得越来越重要。STGNNs的核心思想是同时考虑空间依赖和时间依赖。现有的许多方法都是将图卷积与RNN或CNN相结合来描述时间相关性。
时空图卷积神经网络（STGCN）：一个用于交通预测的神经网络框架
热门推荐
myblog
08-17 3万+
论文简介 北大发表在IJCAI 2018的一篇论文，论文题目：Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecasting，谷歌学术被引量296。 论文背景 实时交通预测是一个重要而复杂的问题，因为其不仅存在高度非线性和复杂的交通流，传统的预测方法经常忽视了时间和空间上的依赖。 交通预测研究中，通常选择速度、流量、密度来显示和监视当前的交通状态，根据预测的长度，可以分为短期交通预
Graph WaveNet：用于时空图建模的图神经网络结构
zuiyishihefang的博客
08-19 3556
1.文章信息文章题为《Graph WaveNet for Deep Spatial-Temporal Graph Modeling》是一篇发表于“Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence (IJCAI-19)”，有关时空图建模的论文。2.摘要时空图建模是分析系...
探索未来社交网络：Twitter Research的时空图神经网络（TGN）
gitblog_00072的博客
04-25 598
探索未来社交网络：Twitter Research的时空图神经网络（TGN） tgnTGN: Temporal Graph Networks项目地址:https://gitcode.com/gh_mirrors/tg/tgn 项目简介 是由Twitter研究团队开源的一个强大的图神经网络模型，它专注于捕捉动态社交网络中的时空信息。该项目的主要目标是理解和预测社交网络中节点的行为和交互模式，这在社...
模型实践 | AAAI 2022 气象预测之时空图神经网络
weixin_66945478的博客
03-15 2151
本期模型试跑将为大家体验该项研究成果，来看看最近火热的GNN是否可以有效提升气象预测的精度，缩短预测时间。
技术动态 | 国防科大等最新《时空图神经网络》综述，详述其在城市计算预测学习应用进展...
开放知识图谱
04-09 2057
转载公众号 | 专知随着复杂传感器和大型数据库技术的发展，城市系统中越来越多的时空数据被记录和存储。对这些时空数据的演化模式进行预测学习是城市计算中一个基本但重要的循环，可以更好地支持城市智能管理决策，特别是在交通、环境、安全、公共卫生等领域。由于传统的统计学习和深度学习方法难以捕捉城市时空数据中的复杂关联，近年来提出了时空图神经网络(STGNN)框架。STGNN通过整合图神经网络(GNNs)和...
时空预测 | 基于图神经网络的时空预测
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
01-18 980
时空预测 | 基于图神经网络的时空预测
【论文分享】用于多元时间序列的预训练增强的时空图神经网络
weixin_45378275的博客
02-09 3751
本文提出了一种新的框架，其中STGNN被一个可扩展的预训练时间序列框架（STEP）所增强。具体来说，作者设计了一个预训练模型TSFormer，以有效地从非常长期的历史时间序列（例如，过去两周的多元时间序列）中学习时间模式，并生成片段级的表示。这些表示为STGNNs的短期时间序列输入提供了上下文信息，并促进了时间序列之间的依赖关系建模。
csrnet: dilated convolutional neural networks for understanding the highly congested scenes
04-11
CSRNet是一篇名为"dilated convolutional neural networks for understanding the highly congested scenes"的论文，主要研究高密度场景下的人流量问题，通过使用膨胀卷积神经网络(也称空洞卷积神经网络)进行人群数量的估计。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值